视频生成模型如Sora能够生成符合常识的视频，但尚未掌握物理规律。研究表明，这些模型无法抽象出普遍的物理规则，在未见过的场景中表现不佳，主要依赖记忆和案例模仿。尽管增加数据和模型规模可以改善表现，但对新场景的推理能力提升有限。